/Faster-RCNN

首先这是一个博主的代码,博主:https://space.bilibili.com/18161609/channel/detail?cid=113611&ctype=0。本人基于学习之余对改代码进行修改,利用该代码对天池重庆工业酒瓶缺陷检测。

Primary LanguagePython

Faster R-CNN

以下是一个B站博主所写,讲的非常好,写的非常详细,这里在学习之余将该代码保存至git,针对代码的改动主要基于同门对数据接口的撰写,已使用于天池coco-json数据集,针对天池重庆工业酒瓶缺陷检测做了一个小demo,检测精度不会很高,仅作baseline用

环境配置:

  • Python3.6或者3.7
  • Pytorch1.6(注意:必须是1.6.0或以上,因为使用官方提供的混合精度训练1.6.0后才支持)
  • pycocotools(Linux: pip install pycocotools;
    Windows:pip install pycocotools-windows(不需要额外安装vs))
  • Ubuntu或Centos(不建议Windows)
  • 最好使用GPU训练
  • 详细环境配置见requirements.txt

文件结构:

* ├── backbone: 特征提取网络,可以根据自己的要求选择
* ├── network_files: Faster R-CNN网络(包括Fast R-CNN以及RPN等模块)
* ├── train_utils: 训练验证相关模块(包括cocotools)
* ├── my_dataset.py: 自定义dataset用于读取VOC数据集
* ├── train_mobilenet.py: 以MobileNetV2做为backbone进行训练
* ├── train_resnet50_fpn.py: 以resnet50+FPN做为backbone进行训练
* ├── train_multi_GPU.py: 针对使用多GPU的用户使用
* ├── predict.py: 简易的预测脚本,使用训练好的权重进行预测测试
* └── pascal_voc_classes.json: pascal_voc标签文件

预训练权重下载地址(下载后放入backbone文件夹中):

数据集,本例程使用的是PASCAL VOC2012数据集

训练方法

  • 确保提前准备好数据集
  • 确保提前下载好对应预训练模型权重
  • 若要训练mobilenetv2+fasterrcnn,直接使用train_mobilenet.py训练脚本
  • 若要训练resnet50+fpn+fasterrcnn,直接使用train_resnet50_fpn.py训练脚本
  • 若要使用多GPU训练,使用python -m torch.distributed.launch --nproc_per_node=8 --use_env train_multi_GPU.py指令,nproc_per_node参数为使用GPU数量

如果对Faster RCNN原理不是很理解可参考我的bilibili

进一步了解该项目,以及对Faster RCNN代码的分析可参考我的bilibili

Faster RCNN框架图

Faster R-CNN